- 塑造历史：三千年楔形文字片的高级机器学习技术分析和测定
基于深度学习和变分自编码器方法，针对库内容丰富的超过 94,000 张楔形文字片的数据集，通过研究其轮廓形状作为关键指标，成功实现了古代文献的自动分类和时代定位，为历史学家和铭刻学家提供了更深入的洞察和解释工具。
- 优化用于视觉任务的变分自编码器潜在表示中的不确定性
深度学习方法在计算神经科学中作为建模工具变得越来越重要，本文系统地研究了变分自编码器的不确定性表示，提出了一种新的方法解释偏离变分自编码器 (EA-VAEs)，并发现它在各种情况下能够产生有意义的不确定性报告，可在计算神经科学的感知模型和计 - 离线策略学习的深度生成模型：教程、调查和未来方向的展望
深度生成模型在离线策略学习中的应用的系统综述，涵盖了变分自编码器、生成对抗网络、Transformer 等主要深度生成模型以及它们在离线强化学习和模仿学习中的应用，提供了对相关研究领域进展的实用参考，并致力于启发改进基于深度生成模型的离线强 - ICLR用对比表示学习分离常见模式和显著模式
基于对比学习和信息最大化准则，我们提出了一种名为 SepCLR 的方法，用于学习适用于对比分析的语义表达，通过最大化和最小化两个互信息项，并采用新颖的最小化互信息策略来防止常见和显著分布之间的信息泄露。
- WildGEN: 野生动物的长期轨迹生成
使用基于变分自编码器的方法，通过少量真实样本生成具有长时间段内的野生鹅运动特征的轨迹，利用平滑滤波器对生成的轨迹进行后处理以减少过度徘徊，并通过可视化检查和计算生成轨迹与真实轨迹之间的豪斯多夫距离以及生成轨迹和真实轨迹的相似聚类的皮尔逊相关 - 使用确定性投影信念网络改进的自编码
本文研究了一种基于确定性投影信念网络 (D-PBN) 的自动编码器，并利用可训练的复合激活函数 (TCAs) 的独特性质进行优化，实现更好的数据分析和重构性能，超过了标准自动编码器和变分自动编码器。
- 通过蒙特卡洛边缘化学习分布
提出一种从样本中学习难以处理的分布的新方法，通过最小化 KL 散度使用参数分布模型（如高斯混合模型）来近似不可解的分布。通过引入 Monte-Carlo 边缘化和 Kernel 密度估计来解决计算复杂性和非可导优化过程的挑战，该方法能够学习 - ICMLSepVAE：一种对比 VAE 用于将病态模式与健康模式分开
该论文提出 Contrastive Analysis VAE (CA-VAEs) 方法来解决 VAE 中存在的信息共享和捕捉所关注的变化因素的问题，并使用两个关键的规则化损失（common-salient 表示的分离项和在 salient - ICML耦合变分自编码器
本研究提出了基于最优输运理论（OT）的耦合变分自编码器 (C-VAE) 来克服常规变分自编码器的先验不完整问题，实验结果表明 C-VAE 在保证数据保真度、潜在向量质量以及生成样本质量方面优于常规 VAE、WAE 和 InfoVAE。
- 双保真变分自编码器用于不确定性量化
本文提出一种基于双保真变分自编码器的方法，用于在计算效率和数值精度之间取得平衡，在处理物理系统中感兴趣的量的不确定性时可大大提高准确性，并引入双保真信息瓶颈的概念对模型进行信息论解释。
- VAE 是否擅长重构分子图？
研究了多个当代分子生成模型在同等条件下的表现，发现它们的重构准确度令人惊讶地低，并且对于图分子的重构存在后验坍塌现象，但这并不直接导致更好的样本采样或优化性能。
- 变分扩散自编码器：具有无条件扩散先验的深层潜变量模型
采用扩散模型集成编码器和无条件扩散模型的得分函数，消除了 VAE 图像模糊的问题，并显著提高了性能。
- 基于内容的图像检索的类别特定变分自编码器
本文提出了一种正则化损失的变分自编码器（VAEs），通过强制模型关注感兴趣的类别，使得 VAE 的学习潜在空间适用于特定类别的检索任务，新方法在三个公共数据集和一个自定义数据集上得到比竞争 VAE 的方法更好的表现，尤其是在域内和域外检索问 - ICLRDAVA: 逆敌对变分自编码器解耦
介绍了一种名为 DAVA 的新型变分自编码器训练程序，该程序完全消除了超参数选择问题，发现了一种名为 PIPE 的无监督分离的必要条件，并证明了 PIPE 可以积极预测抽象推理中下游模型的性能。
- 钻井操作中早期卡钻迹象的半监督检测方法
该研究提出了一种实时卡钻预测方法，使用自动编码器和变分自编码器将常规钻井数据训练多种模型，以捕捉局部正常行为，应用于钻井数据集时，具有比监督方法更好的性能和鲁棒性，需要使用多种模型来提高性能表现。
- 控制性文本生成的变分自编码器综述
介绍了神经网络生成模型、自然语言处理、VAE、可控制生成、深度神经网络等相关概念和应用。
- 基于归一化流的 GISAXS 数据的摊销贝叶斯推断
本文提出了一种基于模拟的框架，结合变分自动编码器和规范化流技术，用于减少计算量并得出准确结果的 GISAXS 数据反演，应用于实验数据中可行且节省时间。
- TimeVAE: 多元时间序列生成的变分自编码器
本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著 - ICCVCanvasVAE: 学习生成矢量图形文档
本研究旨在学习矢量图文档的生成模型，通过用多模态属性定义这些文档并使用变分自编码器训练表示文档。实验表明，我们提出的 CanvasVAE 模型是矢量图文档生成建模的强有力基线。
- 蒙特卡罗变分自编码器
本文提出了 Monte Carlo VAE 方法，并通过在多个应用中的表现来说明其性能，该方法在 Variational auto-encoders、Evidence Lower Bound、 importance sampling、Ann